| 1 |
1
다음 단계를 포함하는 약물의 구조 정보를 이용한 약물 상호작용 예측 방법:상호작용을 예측하고자 하는 두 화합물 각각의 구조를 서로 다른 사전 정의된 화합물들과의 구조 유사도 비교를 통해 구조 유사도 프로파일을 하기 수학식 1 또는 수학식 2를 사용하여 계산하는 단계;[수학식 1][수학식 2]상기 계산된 두 화합물의 구조 유사도 프로파일을 합쳐서 하나의 벡터화된 데이터로 변환한 다음, 화합물 간 상호작용을 예측하도록 심층 신경망으로 학습된 모델에 입력하는 단계;상기 학습된 모델에 의해 두 화합물 간 상호작용을 예측하고, 설명하는 하기 표 1로 표시되는 문장으로 출력하는 단계; 및상기 출력된 문장을 통해 두 화합물의 상호작용을 예측하는 단계로, 상기 상호작용은 작용 기전 또는 활성 정보인 것을 특징으로 하며,상기 학습된 모델은 공지된 화합물 상호작용 데이터베이스의 화합물 상호작용을 하기 표 1로 표시되는 문장으로 분류한 다음, 번호를 부여하여 생성한 데이터베이스를 이용하여 학습하는 것을 특징으로 하는 방법
|
| 2 |
2
제1항에 있어서, 상기 화합물은 약물 또는 음식 성분인 것을 특징으로 하는 방법
|
| 3 |
3
제1항에 있어서, 상기 상호작용이 예측되지 않을 경우 유해 상호작용 가능성이 적은 화합물의 조합인 것을 특징으로 하는 방법
|
| 4 |
4
상호작용을 예측하고자 하는 두 화합물의 구조 유사도 비교를 통해 구조 유사도 프로파일을 하기 수학식 1 또는 수학식 2를 사용하여 계산하는 계산부;[수학식 1][수학식 2]상기 계산된 두 화합물의 구조 유사도 프로파일을 합쳐서 화합물 간 상호작용을 예측하도록, 8개의 은닉층(hidden layer)과 2,048개의 은닉 노드(hidden node)를 포함하는 심층 신경망으로 학습된 모델에 입력하는 입력부;상기 입력된 구조 유사도 프로파일을 사용하여 상기 학습된 모델에 의해 두 화합물 간 상호작용을 예측하고, 설명하는 하기 표 1로 표시되는 문장으로 출력하는 출력부; 및상기 출력된 문장을 통해 두 화합물의 상호작용을 예측하는 산출부;를 포함하고, 상기 상호작용은 작용 기전 또는 활성 정보인 것을 특징으로 하며, 상기 학습된 모델은 공지된 화합물 상호작용 데이터베이스의 화합물 상호작용을 하기 표 1로 표시되는 문장으로 분류한 다음, 번호를 부여하여 생성한 데이터베이스를 이용하여 학습하는 것을 특징으로 하는 화합물의 구조 정보를 이용한 화합물 상호작용 예측 장치
|
| 5 |
5
제4항에 있어서, 상기 화합물은 약물 또는 음식 성분인 것을 특징으로 하는 장치
|
| 6 |
6
제4항에 있어서, 상기 상호작용이 예측되지 않을 경우 유해 상호작용 가능성이 적은 화합물의 조합인 것을 특징으로 하는 장치
|
| 7 |
7
다음 단계를 포함하는 약물의 구조 정보를 이용한 유해 상호작용 가능성이 적은 약물 조합의 스크리닝 방법:상호작용을 예측하고자 하는 두 화합물 각각의 구조를 서로 다른 사전 정의된 화합물들과의 구조 유사도 비교를 통해 구조 유사도 프로파일을 하기 수학식 1 또는 수학식 2를 사용하여 계산하는 단계;[수학식 1][수학식 2]상기 계산된 두 화합물의 구조 유사도 프로파일을 합쳐서 화합물 간 상호작용을 예측하도록, 8개의 은닉층(hidden layer)과 2,048개의 은닉 노드(hidden node)를 포함하는 심층 신경망으로 학습된 모델에 입력하는 단계;상기 학습된 모델이 두 화합물 간 상호작용을 예측하는 단계; 및상기 상호작용이 예측되지 않을 경우 유해 상호작용 가능성이 적은 화합물의 조합으로 선별하는 단계로, 상기 상호작용은 작용 기전 또는 활성 정보인 것을 특징으로 하며,상기 학습된 모델은 공지된 화합물 상호작용 데이터베이스의 화합물 상호작용을 하기 표 1로 표시되는 문장으로 분류한 다음, 번호를 부여하여 생성한 데이터베이스를 이용하여 학습하는 것을 특징으로 함
|
| 8 |
8
제7항에 있어서, 상기 화합물은 약물 또는 음식 성분인 것을 특징으로 하는 방법
|
| 9 |
9
제7항에 있어서, 상기 상호작용이 예측되지 않을 경우는 구조 유사도 프로파일의 출력 값이 0
|
